Cadena de Mentalidad: Razonamiento con Modos Cognitivos Adaptativos
Chain of Mindset: Reasoning with Adaptive Cognitive Modes
February 10, 2026
Autores: Tianyi Jiang, Arctanx An, Hengyi Feng, Naixin Zhai, Haodong Li, Xiaomin Yu, Jiahui Liu, Hanwen Du, Shuo Zhang, Zhi Yang, Jie Huang, Yuhua Li, Yongxin Ni, Huacan Wang, Ronghao Chen
cs.AI
Resumen
La resolución de problemas humanos nunca es la repetición de una única mentalidad, entendiendo por tal un modo distinto de procesamiento cognitivo. Al abordar una tarea específica, no dependemos de una sola mentalidad; en su lugar, integramos múltiples mentalidades dentro del único proceso de solución. Sin embargo, los métodos de razonamiento de LLM existentes caen en una trampa común: aplican la misma mentalidad fija en todos los pasos, pasando por alto que las diferentes etapas para resolver un mismo problema requieren mentalidades fundamentalmente distintas. Esta suposición de mentalidad única impide que los modelos alcancen el siguiente nivel de inteligencia. Para abordar esta limitación, proponemos Cadena de Mentalidad (CoM), un marco agéntico libre de entrenamiento que permite una orquestación adaptativa de mentalidades a nivel de paso. CoM descompone el razonamiento en cuatro mentalidades funcionalmente heterogéneas: Espacial, Convergente, Divergente y Algorítmica. Un Meta-Agente selecciona dinámicamente la mentalidad óptima basándose en el estado de razonamiento en evolución, mientras que una Puerta de Contexto bidireccional filtra el flujo de información entre módulos para mantener la efectividad y eficiencia. Los experimentos en seis benchmarks desafiantes que abarcan matemáticas, generación de código, preguntas y respuestas científicas y razonamiento espacial demuestran que CoM logra un rendimiento de vanguardia, superando a la línea base más fuerte en un 4.96% y un 4.72% en precisión general en Qwen3-VL-32B-Instruct y Gemini-2.0-Flash, respectivamente, equilibrando al mismo tiempo la eficiencia del razonamiento. Nuestro código está disponible públicamente en https://github.com/QuantaAlpha/chain-of-mindset.
English
Human problem-solving is never the repetition of a single mindset, by which we mean a distinct mode of cognitive processing. When tackling a specific task, we do not rely on a single mindset; instead, we integrate multiple mindsets within the single solution process. However, existing LLM reasoning methods fall into a common trap: they apply the same fixed mindset across all steps, overlooking that different stages of solving the same problem require fundamentally different mindsets. This single-minded assumption prevents models from reaching the next level of intelligence. To address this limitation, we propose Chain of Mindset (CoM), a training-free agentic framework that enables step-level adaptive mindset orchestration. CoM decomposes reasoning into four functionally heterogeneous mindsets: Spatial, Convergent, Divergent, and Algorithmic. A Meta-Agent dynamically selects the optimal mindset based on the evolving reasoning state, while a bidirectional Context Gate filters cross-module information flow to maintain effectiveness and efficiency. Experiments across six challenging benchmarks spanning mathematics, code generation, scientific QA, and spatial reasoning demonstrate that CoM achieves state-of-the-art performance, outperforming the strongest baseline by 4.96\% and 4.72\% in overall accuracy on Qwen3-VL-32B-Instruct and Gemini-2.0-Flash, while balancing reasoning efficiency. Our code is publicly available at https://github.com/QuantaAlpha/chain-of-mindset{https://github.com/QuantaAlpha/chain-of-mindset}.